跳到正文
热点事件持续更新

SHAMISA:面向无参考图像质量评估的自监督隐式结构关联建模框架

1 篇报道1 个报道来源13 小时前更新

先了解这件事

AI 综述

2026年11月19日,arXiv发布论文SHAMISA,提出一种非对比自监督框架,旨在从无标签失真图像中学习无参考图像质量评估(NR-IQA)。该框架通过显式结构化关系监督实现目标,无需人工标注数据。 SHAMISA利用组合失真引擎生成连续参数空间的退化图像组,在嵌入空间中拉近具有相似失真模式的图像,从而构建隐式结构关联。 实验结果表明,SHAMISA在合成、真实及跨数据集的NR-IQA基准测试中均展现出强劲的整体性能,验证了其在无参考场景下的有效性。

AI 根据报道生成 · 12 小时前更新

报道时间线

沿着报道,了解事件的不同侧面。

11月19日
  1. arXiv · AI
    SHAMISA:面向无参考图像质量评估的自监督隐式结构关联建模框架

    SHAMISA 提出一种非对比自监督框架,通过显式结构化关系监督从无标签失真图像中学习无参考图像质量评估(NR-IQA)。 该框架利用组合失真引擎生成连续参数空间的退化图像组,在嵌入空间中拉近具有相似失真模式的图像。 实验表明,SHAMISA 在合成、真实及跨数据集 NR-IQA 基准测试中表现出强劲的整体性能。

本事件热度走势

可比范围当前
7
可比范围峰值
1011月19日 14:00
近 24 小时变化
–

趋势仅比较持续完整观测到的相同主体,范围可能小于当前热度统计。移动指针或点击图表查看每小时热度;键盘可用左右方向键切换。